Fugu-MT 論文翻訳(概要): Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models

論文の概要: Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models

arxiv url: http://arxiv.org/abs/2211.04926v1
Date: Wed, 9 Nov 2022 14:52:36 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 17:41:18.548400
Title: Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models
Title（参考訳）: バイナリ分類モデルからの脳腫瘍ROI抽出のための最適グローバル摂動攻撃
Authors: Sajith Rajapaksa, Farzad Khalvati
Abstract要約: 本稿では,バイナリクラスラベルを用いた関心領域獲得のための弱教師付きアプローチを提案する。また、事前訓練されたバイナリ分類モデルに基づいて、ジェネレータモデルをトレーニングするための新しい目的関数を提案する。
参考スコア（独自算出の注目度）: 0.304585143845864
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning techniques have greatly benefited computer-aided diagnostic systems. However, unlike other fields, in medical imaging, acquiring large fine-grained annotated datasets such as 3D tumour segmentation is challenging due to the high cost of manual annotation and privacy regulations. This has given interest to weakly-supervise methods to utilize the weakly labelled data for tumour segmentation. In this work, we propose a weakly supervised approach to obtain regions of interest using binary class labels. Furthermore, we propose a novel objective function to train the generator model based on a pretrained binary classification model. Finally, we apply our method to the brain tumour segmentation problem in MRI.
Abstract（参考訳）: ディープラーニング技術はコンピュータ支援診断システムに大きな恩恵を受けている。しかし, 医用画像では, 手動アノテーションやプライバシー規制のコストが高いため, 3次元腫瘍セグメンテーションなどの大きな細粒度アノテートデータセットの取得が困難である。これは、弱いラベル付きデータを腫瘍のセグメンテーションに利用する弱い監督手法に関心を寄せている。本研究では,バイナリクラスラベルを用いた関心領域獲得のための弱教師付きアプローチを提案する。さらに,事前訓練された二項分類モデルに基づいて生成モデルを学習する目的関数を提案する。最後に,MRIにおける脳腫瘍のセグメンテーション問題に本手法を適用した。

関連論文リスト

MBDRes-U-Net: Multi-Scale Lightweight Brain Tumor Segmentation Network [0.0]
本研究では,マルチブランチ残差ブロックを統合した3次元U-Netフレームワークを用いたMBDRes-U-Netモデルを提案する。モデルの計算負担は分岐戦略によって低減され、マルチモーダル画像のリッチな局所的特徴を効果的に活用する。
論文参考訳（メタデータ） (2024-11-04T09:03:43Z)
Attention-Enhanced Hybrid Feature Aggregation Network for 3D Brain Tumor Segmentation [0.9897828700959131]
グリオ芽腫は、早期診断と迅速な介入を必要とする非常に攻撃的で悪性な脳腫瘍である。この課題に対処するため、人工知能(AI)が主導する医療のアプローチは、脳腫瘍の効率的な診断と評価に関心を寄せている。提案手法では,マルチスケール,注意誘導型,ハイブリッドU-Net形状モデルであるGLIMSを用いて,脳腫瘍の3次元セグメント化を行う。
論文参考訳（メタデータ） (2024-03-15T00:52:17Z)
Generating 3D Brain Tumor Regions in MRI using Vector-Quantization Generative Adversarial Networks [5.380977479547755]
本稿では、ベクトル量子化GANとマスクトークンモデリングを取り入れたトランスフォーマーを用いて、高分解能で多様な3次元脳腫瘍ROIを生成する新しいフレームワークを提案する。提案手法は,MRIでまれな脳腫瘍の正確な診断を容易にする可能性がある。
論文参考訳（メタデータ） (2023-10-02T14:39:10Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Deep Superpixel Generation and Clustering for Weakly Supervised Segmentation of Brain Tumors in MR Images [0.0]
本研究は、弱教師付き脳腫瘍セグメント化を実現するために、スーパーピクセル生成モデルとスーパーピクセルクラスタリングモデルを使用することを提案する。われわれは、Multimodal Brain tumor Challenge 2020データセットからの2Dの磁気共鳴脳スキャンと、パイプラインを訓練するための腫瘍の存在を示すラベルを用いた。提案手法は平均Dice係数0.691と平均95%Hausdorff距離18.1を達成し,既存のスーパーピクセルベースの弱教師付きセグメンテーション法より優れていた。
論文参考訳（メタデータ） (2022-09-20T18:08:34Z)
A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文参考訳（メタデータ） (2022-03-01T17:08:41Z)
Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文参考訳（メタデータ） (2021-08-08T11:26:34Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)
Brain Tumor Detection and Classification based on Hybrid Ensemble Classifier [0.6091702876917281]
本稿では,ランダムフォレスト(RF)とK-ニアレストネイバー(K-Nearest Neighbour)と決定木(DT)を用いたハイブリッドアンサンブル法を提案する。腫瘍領域の面積を計算し、脳腫瘍を良性および悪性に分類することを目的としている。提案手法は,トレーニングとテストにそれぞれ85:15で使用される2556画像のデータセット上でテストを行い,97.305%の精度を示す。
論文参考訳（メタデータ） (2021-01-01T11:52:29Z)
Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文参考訳（メタデータ） (2020-02-03T22:25:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。